Comments
Description
Transcript
IoT、ビッグデータ - 日本フィジカルアコースティクス
グローバルビジネス学会：2016 年「研究発表会」予稿集，京都大学吉田キャンパス，pp. 110-132，2016 年 7 月 10 日 スマート工場，スマートコンビナート，および 社会基盤構造物における IoT，ビッグデータ， AI 適用の現状 湯山 茂徳 工学博士，博士 (学術) 京都大学経営管理大学院 特命教授 （日本フィジカルアコースティクス㈱ 代表取締役会長：〒150-0011 東京都渋谷区東 2-17-10） E-mail: [email protected] バブル経済の崩壊後，経済成長がほとんど停止し，さらに少子高齢化に直面する日本にとって，21 世紀型製 造業の創生，そしてサービス業の効率化は避けて通れない課題である．21 世紀型製造業とは，品質の良い製品 を大量生産し，市場に絶え間なく供給するというような従来型製造業ではなく，IoT，ビッグデータ，AI など の先進技術を駆使し，産業の基礎となる「素材＋機械＋電気・電子＋通信＋情報＋ソフトウェアアプリケーシ ョン＋デザイン＋エンタテインメント」を融合し，共通化した信頼性の高い部品モジュールを設計・製造し， グローバル市場で様々に異なる消費者，すなわち市場の嗜好に合わせて付加価値（例えば，自動車なら自動運 転などの AI 機能や，好みのデザイン，仕様など）を創造・創作し，少量・大量に関わらず低コストで生産して， 可能な限り高価格で購入してもらえるシステムを築ける企業のことを言う．現在起こりつつある急速な市場の 変化を見れば，地球規模の大競争において勝者になるのは，こうした企業のみであることが，容易に推測され る．IoT，ビッグデータ，AI を基礎におく第 4 次産業革命は，最近大いに注目を浴びている外来語である．し かし，類似の，あるいはより先進的な概念は，一部の日本企業において，2000 年代初頭には既に存在していた． 本稿では，国内外の工場，コンビナート，インフラ構造物などに対する IoT，ビッグデータ，AI の適用実例を 紹介し，21 世紀型製造／サービス業における国内企業のグローバル競争力を考察し，今後進むべき方向につい て検討する． Key words: AI, big data, infrastructure, IoT, smart complex, smart factory. 1． はじめに 施策の実行が極めて重要で，必要欠くべからざるも IoT（もののインターネット） ，ビッグデータ，AI のと考えらえる． （人工知能）などの用語が，大きな注目を浴びてい 現在， 「ビッグデータ」は必ずしも定義がはっきりせ る．2016 年 4 月 19 日，政府が主催する産業競争力 ず，曖昧な意味を含んだまま，個々の都合や状況に合 会議は，成長戦略の概要をまとめた．2016 年 4 月時 わせ，大量のデータを取扱い解析する方法を表す概念 点において 500 兆円の名目 GDP を，600 兆円に高め として使用されている．物理学，化学，生物学，気象 るために，成長戦略として IoT，ビッグデータ，AI 学，地震学，宇宙科学，材料科学，機械工学，電気・ などの先進技術により新たな市場を創出し，第 4 次 電子工学，情報工学，土木工学，医学，農学など，科 産業革命（Industry 4.0）を起こすことを一つの柱に 学技術の分野で扱うのは，まぎれもなく大量のデータ， している．少子高齢化に苦しむ日本にとって，世界 すなわちビッグデータの解析・評価である． の主要プレイヤーとして生き残るために，こうした 一方，経済，経営，金融，マーケティングなどの分 野で，ビッグデータという用語が近年頻繁に使用され 1 るようになった．古くから大量のデータを取り扱って 本稿では，国内外における工場，コンビナート，イ きた科学技術において，専門用語として「ビッグデー ンフラ構造物などの IoT 適用状況を，紹介する．続い タ」が用いられることはほとんどない．しかし，経済， て，圧力容器の加圧試験時に検出された AE 計測デー 経営，マーケティングなどで，今まであまり注意が払 タで形成されるビッグデータの解析例を示し，さらに われてこなかった，例えば IT（サイバー空間）で得ら 自動車工場における AI 化，そしてプラントメンテナ れる様々な大量のデータから，何らかの有意な情報を ンスにおける AI 化について検討する． これらを基に， 得るために，統計的処理を施して特徴を抽出（Feature 21 世紀型製造／サービス業における国内企業のグロ extraction）し分析するなど，科学的手法（データサイ ーバル競争力について考察し，今後進むべき方向につ エンス）の適用が進みつつある．ビッグデータは，ほ いて提言する． ぼ同時進行の形で，加速度的に発展を続ける IoT，AI とともに，時代を代表する用語になっている． 2． IoT，ビッグデータ，および AI 2016 年の初頭，文部科学省，総務省，経済産業省 既に多くの分野で，IoT が利用され，種々のセンサ の連携により，AI を核とした IoT の社会・ビジネス ーを用いた連続モニタリングが実施されつつある．こ への実装に向けた研究開発・実証が進められつつあ こでデータ採取速度を考えると，例えばコンビニチェ ることが報道された．これは，3 省連携による研究開 ーンの POS（販売時点情報管理）システムにおいて， 発成果を関係省庁にも提供し，政府全体として更な 一店舗に 3 台の端末レジがあると仮定する．いま，チ る新産業・イノベーション創出や国際競争力強化を ェーン総店舗数が 10 万店で，各レジ当たり 10 秒に一 牽引することを目的としたものとされる． 回のデータ入力（サンプリング周波数：10-1Hz）が行 我が国で，最初にスマート工場の原型をなす IoT の われるとするなら，全システムで採取されるデータセ 適用が行われたのは，およそ 15 年前の自動車，及び ット数は，毎秒 3×105×10-1，すなわち 104 程度のオ 自動車部品工場においてである 1)．データ採取には， ーダーとなる． 100kHz～1MHz に高感度を有するアコースティック また，健康状態管理のために体温計あるいは血圧計 エミッション（AE）センサーが用いられ，自動車部品 などを体に取り付け，スマートフォンを用い，10 秒に の成型，プレス加工，研削などの製造・生産プロセス 1 回の頻度で体温や血圧を測定し，データ化するため において，不良品検出，製品管理の目的で連続的にデ に必要なサンプリング周波数は，10-1Hz (1 サンプル／ ータが採取され，工場内 LAN を通して工場管理のス 10 秒)である．もし 1 時間に 1 回測定するなら，1 時 マート化が試みられた． 間は 3,600 秒なので基本的に 1/3,600 サンプル／秒の 一方，欧米諸国において，加齢化する橋梁などイン データ採取能力があればよい．したがって，サンプリ フラ構造物のヘルスモニタリングとして，数多くの ング周波数は 10-3 Hz より小さくても十分な精度が出 IoT が実施されている 2)．我が国では，2000 年代初頭 せる．いま，10-1Hz のサンプリング周波数で 100 万人 に，IoT による構造物の健全性評価の実用化をめざし， 分のデータを採取するなら，1 秒あたりに入力される 高速道路橋で AE による連続モニタリングの基礎実験 データセット数は，105（106×10-1）程度となる． が行われた 3)．しかし，その後実質的進展の見られな 一方，構造物のモニタリングに使用されるセンサー いうちに，欧米諸国での成果が広く知られるところと においては，扱われる周波数帯域が 1MHz を超える なった． 場合があり，この時十分精度の高い計測を行うために 化学コンビナートには，各種タンクなどの貯蔵施設， 必要なサンプリング周波数は，10MHz（107 Hz）とな 配管，反応容器，ポンプなど多種・多様な機器が存在 り，センサー1 個あたりで採取されるデータ量は，前 する．それらを操業停止することなく，安全性を確保 述した POS システムや，体温あるいは血圧測定を 10 したうえで効率的なメンテナンスを実施することが， 秒に 1 回行う場合に比べ，102～103 倍になる． 最重要課題となっている 4)．そのための方法として， とりわけ，被計測ユニット（計測が具体的に実施さ プラント各所に様々なセンサーを取り付け，常時監視 れる部材やロボット）数が数百を超える大型構造物や， によるスマート化（IoT 化，AI 化）が，世界各地で行 工場設置機械システムにおいて，使用されるセンサー われようとしている． 数は各ユニット当たり最低 2 個程度必要なため，シス 2 テムに入力する全データセット数は，1010／秒のオー たとの報道があった．このように，誤った情報や悪意 ダーに至り，POS システムや，健康管理システムの場 に基づく情報が意識的に入力され，機械が無分別にそ 105～106 倍程 うした情報を学習してしまう場合には，倫理的に大き 度大きくなる．したがって，回線が持つデータ転送能 な問題を起こす可能性のあることが懸念材料となっ 力の限界を超えることで起こるデータ転送遅延や採 ている． 合に比べ，採取されるデータセット数は 取エラーを防ぐための対策として，端末とシステム間 アニメや SF の世界では，鉄腕アトムを筆頭に，様々 に十分な容量を持つバッファーメモリを置くことに なヒト型ロボット（アンドロイド）が大活躍している． 加え，データ入力後のなるべく早い時期に適切な信号 こうしたロボットは例外なく，ヒトをはるかに凌駕す 処理を施すことが必須となる．さらに，ビッグデータ る身体的・頭脳的超能力に加え，ヒトと同じような感 解析に適用される手法（特徴抽出機能）を用いて予め 情や判断能力を持ち，日々の生活の中で，喜び，悲し 初期解析を行い，分散設置された AI ローカルプロセ み，悩み，そして苦しんだりすることを繰り返してい ッサ（モジュール）などで高度な解析を実施し，転送 る．こうしたアンドロイドが，近い将来登場すること されるデータ量を圧縮することにより，システム障害 は可能なのであろうか． の発生を防ぐ必要がある． 真のヒト型ロボットには，人間，そしてロボット同 最新の AI では，ニューラルネットワークの多層化 士で互いにコミュニケーションし，他者の心を思い計 により，情報が第 1 層から 2 層，3 層と深く伝達され るなど，ヒトのみが持つ認知・非認知による心の働き る過程で学習が繰り返され，特徴量が自動的に計算さ を導入する必要がある．それは，ヒトの脳と全く同じ れるディープラーニングが用いられる．これは，人間 機能を持つ，極めて高度で複雑な脳と長期の学習から の脳の構造をソフトウェア的に模倣し，人間が関与せ もたらされる．現時点で，ヒトの脳が持つ機能や働き， ずに機械が自ら特徴を抽出し，事象を認識して分類す そしてその仕組みがすべて解明されているわけでは ることにより学習を進める方法で，画像認識や音声認 なく，それが可能になるには，今後も多くの試行錯誤 識などの分野で広く用いられている．初期段階で開発 と長い道のりを経た研究が必要と考えられている．し されたものは，層が直列におかれた単純な構造をして たがって，真の意味でヒト型ロボットが近い将来登場 いたが，現在用いられるアルゴリズムでは，複数に分 するとは考えにくいというのが，多くの見解である． 岐し，ループ構造を持つなど構造が複雑化している． ディープラーニングで訓練された AI が，現在最強と 3． IoT の適用事例 言われる囲碁棋士と対戦して勝利したことがニュー 3.1 IoT に用いられるセンシング技術 スで報じられ，その発展の速さと能力に，驚きが広が スマート工場やスマートコンビナート，また様々な った． インフラ構造物に設置されるセンサーで採取される 今日一般的に用いられる AI は，ビッグデータから データは，ひずみ，変位，応力，振動，温度，圧力， ディープラーニングを用いて特徴抽出を行い，画像認 流量，電力量、AE などが一般的である．ほとんどの 識，音声認識，状況把握・予測，自動車など機械装置 場合，サンプリング周波数として 10-1～10Hz の帯域 の自動運転・制御・自己診断，医療診断など，人間が で測定が行われ，データ採取量がそれほど大きくない 決して扱えないほど大量のデータを，瞬時に処理して ため，通常ならデータ転送，解析に問題は生じない． 学習・行動するという，コンピュータが機械として本 しかし，振動（加速度）計測では 102～105Hz が，ま 来持つ機能を，最大限活用するものである． た AE 計測では 103～106Hz の周波数帯域が対象とな 利用範囲がこの程度で，AI がヒトの手助けとなる作 るため，低周波数帯域での測定とは異なる方法が要求 業を実施するだけの存在なら，倫理的問題は，特に発 される．とりわけ，AE 計測においては，有効な波形・ 生しない．しかし，最近マイクロソフト社が行った AI 周波数データを採取するために，入力する信号を の公開学習において，悪意を持った情報が恣意的に入 107Hz 程度のサンプリング周波数（16 ビットの分解 力されることにより，機械が無分別にそれらを学習し 能）でディジタル化するのが一般的で，極めて大量の てしまい，AI がヒトラー崇拝発言や，様々な差別的発 データを扱うことになる．したがって，円滑なデータ 言をするようになり，直ちにこの実験は取りやめられ 転送やデータ解析を行う目的で，アナログ時代（1970 3 年代）から数十年に渡り開発・確定された，AE 計測 定し，それを超えた信号のみを識別して取り出し，信 専用の信号処理方法に基づく，ビッグデータ処理が適 号処理を行う． 用される．AE 法を用いることにより，環境雑音（通 信号処理法として，一般的にヒット処理が適用され 常 104Hz 以下の周波数帯域）に影響されない計測が行 る．この場合，図-1 に与えられる検出 AE 波形を包絡 えるため，スマート工場，スマートコンビナート，そ 線検波してできる，波形の一かたまりを一個の信号 して各種インフラ構造物の連続モニタリングを実施 （ヒット）と定義する．解析・評価は，その個数や最 するための切り札になると期待されている． 大振幅値，カウント数（振動の回数）あるいは面積で 本来的な AE 発生源は，固体内部で局所的に発生す 表される相対的エネルギーなど，抽出された AE 特徴 る微小な変化に起因する．たとえば，微小な欠陥（ク パラメータの大きさや発生頻度などを比較すること ラック）の発生や成長，相変態，双晶変形，転移の運 により実施される．これは，ちょうど微弱な初期微動 動などがこれにあたり，一次 AE 源と呼ばれ，材料評 から始まり，やがて大きな主振動につながる一連のゆ 価や構造物の健全性診断の際に検出される重要な AE れを 1 回の地震と数え，その発生回数や大きさ（マグ 107～1010 倍程度異なるが，AE ニチュード）を基に，地震活動の程度を評価すること 発生源である．寸法が 発生と地震の発生は，固体内部で生ずる急激な変化に に類似している． 起因する弾性波の発生という点で全く等価であり， また，複数の AE センサーへの信号到着時間差を基 AE 発生の理論式として，地震発生を記述する式がそ に，AE 波の発生位置を評価する位置標定がしばしば のまま適用される．したがって，AE は極めて微小な 行われる．この方法は，地震波において各計測地点へ 地震であり，逆に地震は極めて巨大な AE であるとい の到着時刻の差を利用することにより，震源位置を決 っても差し支えない． 定するのと全く同じである． 一方，二次 AE 発生源と呼ばれるものに，機械振動 や，摩擦，あるいは漏洩に起因する音源がある．これ 3.2 スマート工場における機械・装置の状態診断 1) らは，回転装置の異常診断，弁の漏洩検出などプラン 3.2.1 背景 トの状態監視や，工場における設備診断に広く適用さ 自動車業界をはじめ各製造メーカでは，製造コスト れている． を低減するために，製造ラインの自動化を推進し，さ AE センサーで検出され， 内蔵のアンプで増幅後 AE まざまな取り組みを行っている．ラインの自動化を進 計測装置に入力された AE 信号は，解析のために信号 める場合に最も大きな障壁になるのは検査工程で，人 処理が行われる．AE 信号には，図-1 に示されるよう 間による検査工程をいかに自動化できるかがライン に，計測装置の持つ熱雑音や，周りの環境雑音に起因 自動化の要となる．また，自動化が進むと，安価な部 する背景雑音が必ず存在する．したがって，有効信号 品製造過程で， 不良品が 1 個発生した場合であっても， のみを検出・解析するために，背景雑音に比べ十分（通 それが後工程に流れると最終的に大きな損失を生む 常は 6dB（2 倍）程度）大きな振幅値にしきい値を設 ことになる．したがって，各工程における信頼性の高 い製品検査が，非常に重要となる．さらに，市場の製 品に対する安全性への要求は年々増加し，企業として 製品の品質確保が，喫緊の課題となっている．ここで は，製品検査手法として，近年急激に導入が進んでい る AE 法をとりあげ，実施例を示すことにより，その 応用方法と有用性を紹介する． 3.2.2 絞り加工 金型を用いる絞り加工は，自動車や鉄鋼業界，また 家電業界をはじめ，さまざまな分野で使用されている． 絞り加工は，他の加工方法と同様に生産性を向上させ 図-1 検出された AE 波形の信号処理方法 るために加工速度の改善が行われている．しかし，そ 4 亀裂無し Gate 亀裂有り 写真-1 金型絞り加工中に製品で発生した亀裂 の反面，加工により製品に欠陥が発生すると，大量の 不良品を発生させる危険性がある．現状では，絞り加 工後の製品検査は，検査面が広範囲であることや，製 品の形状が複雑なものが多いことから，人間による目 視検査が中心となり自動化が遅れている．以下に，自 動車ボディーの絞り加工における製品の亀裂検出に AE 法を適用し，加工後の自動化を成功させた事例を 図-2 絞り加工中に観察される包絡線検波波形 紹介する． 写真 1 に，加工後の製品形状と発生した亀裂の例を 示す．図中に示すような形状の変化部に亀裂が発生し 亀裂 やすいが，常に決まった位置に発生するとは限らない． 亀裂 ここでは，一例として大きな亀裂発生を示したが，通 常は目視では認識が困難な，小さな亀裂の場合が多い． AE センサーは，亀裂が製品中で発生するため，製 品に直接取り付けることが最良であるが，通常は製品 にセンサーを設置するような治具や，機構の追加加工 は難しい．そこで，製品と直接接する金型にセンサー を設置し，金型中を伝搬する AE 信号を検出する．ま た，上金型は上下に稼働してノイズを発生しやすいの で，下金型に AE センサーを設置するほうが良好な結 果が得られる． 図-2 上部に，加工中に検出された AE の包絡線検波 波形を示す．加工中には各種の AE が発生するが，こ 図-3 検出される AE エネルギーの時間履歴 れらは加工状態が一定であれば常に同一パターンで 発生する．同図下部に，製品に亀裂が発生した際に検 3.2.3 研削加工 出された AE 信号の包絡線検波波形を示す．正常な加 研削加工は，切削加工と並び製品加工の最も基本的 工の場合と比較して，異なる AE 発生が観察され，亀 な加工方法で，さまざまな分野で使用されている．研 裂の発生を評価できる． 図-2 の Gate で示す範囲中で発生する AE のエネル 削加工における製品不良は，主に砥石の切れ刃の低下 ギーを算出し，生産開始直後からの変化を解析した結 や，目づまりによって発生するが，これらを直接測定 果を図-3 に示す．亀裂発生時に AE のエネルギーが増 することは困難で，ラインの連続加工においては，一 加し，製品の亀裂発生を検知できることがわかる． 般的に定期的に砥石表面をドレッシング（ダイヤモン 5 ドの刃物で砥石表面を削って新しい研削面を生成さ 3.2.4 特殊材料 せる）する方法がとられている．しかし，この方法で 近年，金属材料だけでなく，様々な材料が使用され は，砥石がまだ使用できる状態でもドレッシング作業 るようになり，あらたな検査方法が求められるように を行うので生産コストが高くなり，さらに突発的な目 なった．そこで，最近特に生産量が急増し，精度の高 づまりが発生して研削焼けが発生すると，大量に不良 い欠陥検査需要が急増する太陽光発電用ソーラーパ 品が発生する．そこで，クランクシャフトの研削加工 ネルの欠陥検査に，AE を適用した事例を紹介する． に AE 法を適用し， 研削状態を評価した例を紹介する． ソーラーパネルの材料となるシリコンは，金属に比 研削時に発生する AE を検出するために，クランク べ吸収係数が低いことに加え，検出対象のクラックは， シャフト内を伝搬する AE の減衰と，ノイズの評価を Ｘ線透過厚の差が生じにくくコントラストが得にく 行った結果，金属シューに AE センサーを取り付ける いにために，X 線検査は適用されていない．またシリ のが有効と確認された．図-4 に，ドレッシング直後の コンパネルの生産ラインでは，スループットやコスト AE の包絡線検波波形と，目づまりが発生した場合の など生産性の面から，超音波探傷や X 線検査は適用さ 波形，さらに研削焼けが発生した場合の波形を示す． れていないとされる．したがって，ソーラーパネルの 研削加工において，砥石の接触面は一種の摩擦摩耗現 製造工程において，シリコンに存在する欠陥の検出は， 象が生じていると考えられ，目づまりが発生すると摩 最終の発電試験工程で，所定の発電力が得られないこ 擦力が増加する．これを裏付けるように，目づまり発 とにより初めて認識される．しかし，この時点ではパ 生時に AE 振幅値が上昇することが観察される． また， ネルは最終製品に近く，手直しに多大な工数を要する． 研削焼け発生時に振幅値が著しく上昇し，研削焼けの さらに，ソーラーパネルのコストは，その材料である 発生を検知できる．従来，研削焼けの検出には，研削 シリコンの材料費が大半をしめるため，コストダウン 後に磁粉探傷などが実施されているが，AE 法を利用 としてシリコンの厚みの薄肉化が進んでいる．しかし， することにより，加工中に判断することができる． シリコンの厚みが薄くなるほど亀裂の発生する確率 が高まり，シリコンパネルの欠陥検査の重要性がます ます増加している． ドレッシング直後 写真-2 に，AE によるシリコンパネルの欠陥検査装 置を示す．シリコンパネルを両端から支持し，支持後 に揺動指示部(B)を傾けることにより，パネルにねじり 力を加える．もちろん，ねじりの大きさは，パネルの 設計強度に対して十分に小さい． 図-5 に，検出された AE 振幅値と，信号発生数の履 目づまり発生時 歴を示す．亀裂が存在すると，ソーラーパネルにねじ ソーラー パネル A:支持端 (固定) B: 支持端 (揺動) 研削焼け発生時 写真-2 ソーラーパネル検査装置 図-4 研削加工中に観察される各種包絡線検波波形 6 3.2.5 まとめ 亀裂無し 製品検査として，AE 計測を実施する際にしばしば 問題となるのは，製造現場と管理者のいる制御室が離 れている場合が多く，検査・管理のために，往復に多 くの時間を費やさなければならないことがある．この 問題は，LAN を通じて構築されるネットワーク監視 AE システムを導入することにより，容易に解決でき る．すなわち，端末となる AE 計測システムを各製造 装置近くに設置し，それらとホスト コンピュータを LAN によって接続することにより，中央制御室で， 亀裂有り 刻々変化する現場の AE 発生状況をモニターできる． 異なる複数の装置が並列で稼動している場合には，そ れぞれの過程ごとグループ化し，グループごとにモニ タリングを実施する． 既にこのようなネットワーク監視 AE システムが市 販され，現場で活用されている．こうした装置では， 標準ネットワーク用ソフトウェアを利用することに より，製造現場に置かれた端末 AE 装置と全く同じデ ィスプレイ画面を，制御室のホストコンピュータ上で， 実時間でモニターし，AE 計測条件の変更や，データ 管理，アラーム信号の出力などが行える． 製造現場における自動化によるコストダウン，品質 図-5 AE 振幅値の履歴 管理の高度化，そして省エネルギー化への要求は，ま りを加えることにより，亀裂面同士で摩擦が生じて すます高まっている．こうした要求を満たすためのオ AE が発生する．図中に示されるように，亀裂が存在 ンライン検査方法として，IoT に基づく AE 法の製品 する場合には，亀裂のないパネルと比較して検出され 検査への応用は，今後ますます増加していくものと考 る振幅値が大きく， より多くの AE 信号が観察される． えられる． 図-6 に，検出された AE エネルギーと，それに対応 して発生した AE 信号数の分布，すなわちエネルギー 3.3 スマートコンビナートにおける状態監視 分布を示す．亀裂のあるパネル（□）と亀裂のないパネ 3.3.1 はじめに ル（○）で AE の発生分布が異なり，図中に示すように 欧米において，構造物の設計・維持管理は従来から 亀裂の有無を，領域分けすることにより，両者を識別 自主保安が原則として適用されている．こうした性能 できる． 規定方式を実現し，化学コンビナートなどのプラント 装置で実用化するために，多くの年月をかけてデータ ベースが作成されてきた．例えば API（American Petroleum Institute）により，RBI （Risk Based Inspection5)） ，FFS （Fitness For Service）として， データベースに基づく，試験手順，データ解析方法， 健全領域 評価方法等が提示されている． 我が国においても，効率的なメンテナンスの実施， 安全性の確保などの観点から，対象設備の構造などに ついて，詳細な仕様や満たすべき特定の数値，特定の 試験等を細かく規定する仕様規定から，性能規定へと 図-6 検出された AE エネルギーの分布 7 変更の取り組みが進みつつある． 効性が認識されるようになり，各種実構造物で適用が AE 法は元来，構造物のグローバル診断を実施し， 始まろうとしている．以下，適用実例を紹介する． その健全性の程度を判定し，問題部の存在位置をおお まかに評価するのに適した検査技法である．したがっ 3.3.2 ステンレス製円筒容器の加圧試験 て，こうした特性を利用し，維持管理における性能規 MONPAC データベース・評価判定法を適用したも 定化，すなわち RBI や FFS を導入していく際に，大 のとして，直径 4m，高さ 3.8m のステンレス製容器 きな役割を担うことが期待されている． に対して，操業一時停止時に窒素ガスを用いた加圧に 現在稼動中の大部分の石油・石化プラントは高度成 より AE 試験を実施した例がある．図-7 の TEST 1 に 長時代に建設され，すでに稼動開始後 30 年を越えた 示されるように，加圧時に容器下部鏡板近くにグレー ものも多い．今後安定型の経済成長と高齢化社会が生 ド E（最も劣化の進んだ状態と判定）の AE 源が検出 み出す成熟型社会への移行が進むにつれ，これら産業 され，後に行われた浸透探傷（PT）試験により，保温 基盤となる構造物の効率的な維持・管理技術確立の必 材下に外面より生じた貫通 SCC クラックの存在する 要性が高まりつつある． ことが確認された．その部分は，直ちに一時補修がな 欧米では，多数のプラント所有者からなる AE ユー され，後に実施された操業停止時に本格的な補修が行 ザーズグループが結成され，AE 試験結果のデータベ われた．その後容器は酸洗いされ，再び保温材が取り ース化が実施されて来た 4)．例えば，各種プラントの 付けられた．2 年後に再度 AE 試験を行うと図-7 の 圧力容器，反応塔，球型タンク等の試験方法およびデ TEST 2 に示されるごとく前回とは異なる部位にグレ ータ評価・判定法を規定した「MONPAC」や，円筒型 ード D（E より劣化度は 1 ランク小）の AE 源が検出 貯蔵タンク底板の腐食損傷診断のために開発された された．引き続き行われた非破壊検査により，これは 「TANKPAC」，そして各種バルブの漏えい量を定量 容器下部の溶接熱影響部に生じた，内面ナイフライン 的に評価する「VPAC」データベースなどである．こ 腐食によるものであることが確認された． れらを基に，石油・石化プラントで実構造物の損傷診 断法や状態監視法として AE 法が用いられ，維持・管 3.3.3 球形ホルダーの加圧試験 理経費節約の手段として，IoT が適用されつつある． 欧米において，供用中に球形ホルダーの健全性を評 我が国でも，構造物の維持管理方法が，仕様規定か 価する試験法として，AE 試験が汎用されている．ホ ら性能規定へと移行されるのに伴い，構造物のグロー ルダーの球面上に図-8 に示されるように，均等に AE バル診断技術，そして状態監視方法として AE 法の有 センサーを配置し，ホルダーが直近の半年あるいは一 8 13 本の実配管に対して AE 計測を実施し，その後 UT 厚み測定，および VT 検査を実施し，AE 計測結果と 比較・対照することにより，両者の間に良好な相関の あることが確認された．したがって，埋設された配管 の腐食損傷診断を供用中に行う有力な検査方法とし て，AE 法の有効性は大きい．こうした基礎データを もとに，もし漏えい事故等により操業が停止した場合 には，重大な損害を与える可能性があり、プラントの 連続操業に極めて重要な役割を担う配管部を，IoT に より連続監視する計画が進行している． 3.3.5 地上置タンク底板の腐食損傷診断 円筒型貯蔵タンクの底板は，操業中には観察するこ とができない．我が国では，消防法により 1000kl を 図-8 球形ホルダーの AE 試験時に観察された AE 発生集中源 越えた貯蔵能力を持つタンクは，その容量に応じて周 期が定められ，定期的な内部開放検査を実施すること 年間の操業中に経験した最大圧力より 5%程度大きい が義務付けられている．タンクの開放検査に伴う操業 負荷を与え，その時の AE 活動度を調査する．もし問 停止，清浄，さらに検査などにかかる経費は，大型タ 題となる部分があれば，図-8 中に示されるように，AE ンクの場合，数千万円を越えることも珍しくない． 集中源と判定され，そのデータは既存のデータベース 欧州で開発された「TANKPAC」は，これまでに構 に参照され，自動的にグレード分けされる．こうした 築された膨大なデータベースを参照し，活性な腐食の 場合， 追認試験として超音波探傷 （UT）や浸透探傷（PT） 進行で生ずる AE を感度の高い AE センサーを用いて 試験など他の非破壊試験が適用され，詳細な評価が行 検出することにより，タンク底板のグローバルな損傷 われる．一方，AE 試験結果に問題がなければ，ホル 診断を行う試験法である．AE センサーを底板から高 ダーは開放されることなく操業が続けられる． さ 1~1.5m の側板上に，円周方向に対して等間隔に設 イギリスにおいては，AE 試験を適用することによ 置し，各センサーの感度校正の後計測が行われる．AE り，30 年以上開放検査を行わず，全く問題なく連続操 データは，雨や風などに起因する環境雑音がない状態 業を継続している例が報告されている． で，防油堤の外に置いた計測車内に設置した AE 計測 装置を用い，経験を積んだ技術者により採取される． 3.3.4 地下埋設配管の腐食損傷診断 製油所の防油堤貫通配管などの地下埋設配管は，埋 設部分に直接接触することが不可能なため，超音波探 傷（UT） ，放射線探傷（RT）あるいは目視検査（VT） など通常の非破壊検査方法を適用し，腐食損傷状態の 診断など構造物の健全性評価を供用中に実施するこ とは困難である． こうした配管に AE 法を適用し， 腐食に起因する AE の発生特性や， 配管における AE 波の伝播特性を調べ， さらに実配管で得た AE 試験結果と UT，VT などの 試験結果を比較・対照するなど，組織的な調査を実施 することにより，埋設配管における AE 法の腐食損傷 写真-3 AE 計測を実施した製油所の配管群 診断への適用性が検討された． 製油所において，写真-3 に示されるように供用中の 9 図-10 14 個の AE センサーを用い、圧力容器のオ ンラインモニタリングを実施 （AE 発生集中箇所に危険度の高い欠陥を発見） 図-9 タンク底板の AE 試験実施模式図 我が国においても，AE 試験のデータベース化が行 われ，我が国固有の維持管理体制，および法体系に即 ログラムを計画できることから，欧米各国において， した AE 試験手順，そして評価・判定基準を策定する プラント内の重要な装置を中心に，オンラインモニタ 作業が進められた．タンクを開放することなく，AE 法 リング化，すなわち IoT 化が進められている． によって短時間でタンク底部の腐食損傷を評価・診断 することができれば，危険な状態にあるものはすぐに 3.3.7 まとめ 検査・修理・補強を施し，そうでないものは開放検査 世界的規模の経済的一体化，そしてグローバル競争 を先送りにするなどの，いわゆるスクリーニングによ の激化が進んでいる．こうした中で，我が国は少子高 り，効率的な検査体制を確立することができる．ここ 齢化の進行，その結果として熟練技術者・労働者の急 で検出される AE 波は，比較的腐食が進行した領域か 激な減少，そして工場に配置される人員の大幅な減少 ら発生すると考えられている．これまでに構築された という厳しい状況に直面している．それにもかかわら 200 基余りのタンクに対する試験結果から得られたデ ず，操業時に従来以上の安全性および信頼性を担保す ータベースを基に，地上タンクの AE 法によるグロー ることがますます強く要求され，経済性を高めた新し バル診断が広まりつつある．図-9 に，この試験の実施 い維持管理方法の開発が強く望まれている．この難問 状況が模式的に示されている． を解決する有力な方法として，IoT を全面的に採用・ 実施し，プラント全体を状態監視することが，避けて 3.3.6 圧力容器のオンラインモニタリング 通れない道である． 図-10 に，英国で実施された，圧力容器の操業中に 現在，各分野で規制緩和および撤廃の動きが急速に おけるオンラインモニタリングの実施状況と，AE デ 進められている．さらに経済の低成長下のもと，維持・ ータの解析結果が示されている．図中左側には，モニ 管理費削減の要求はますます強まると考えられる．こ タリングされた圧力容器と，その上に設置されたセン うした中で適切な判断を下し，不必要な経費を削減す サーが観察される．右側に，検出された AE 信号の位 るために，欧米の場合と同様，我が国でも化学コンビ 置標定結果が示され，UT など他の非破壊検査方法に ナートにおいて，合理的に IoT を適用することが，大 よる追認試験の結果，AE 信号が集中的に発生してい いに期待されている． る部位（AE クラスター）に，重大事故を導く可能性 のある欠陥の存在することが確認された． 3.4 社会基盤構造物の AE 連続モニタリング 2) プラントに多く存在するこうした機器に対して， 3.4.1 はじめに AE 法などによる状態監視を適用することにより，操 橋梁やトンネル，発電所，各種プラントなど，社会 業中の安全が確保され，また効率的なメンテナンスプ 基盤を構成する構造物の加齢化が進み，適切な維持管 10 理技術の開発と適用が大きな問題となっている．世界 を記録するとデータ容量が膨大になる場合があり，ホ 的な社会・経済構造変革の中で，これまでのような経 ストコンピュータへ転送中に，問題がしばしば生じた． 済的成長が期待できない状況にあって，既存構造物の この問題は，光ケーブルなど大容量の通信回線を準備 信頼性確保，および長寿命化を図ることが，焦眉の課 し，また適切なソフトウェアを開発し，最新通信機能 題となりつつある． を有する装置を導入することで解決された． 構造物の状態を監視し，健全性を評価するモニタリ ング手法として，温度測定，湿度測定，ひずみ測定， 3.4.3 吊り橋のインターネット モニタリング 変位測定，腐食モニタリング，振動測定，赤外線サー アメリカやイギリスにおいて，吊り橋を支えるケー モグラフィー，音響診断，AE 計測など，様々な方法 ブルの，AE による連続モニタリングが実施されてい が実用化されている．この中で，構造物が供用中にあ る．フィラデルフィア（ペンシルベニア州）と対岸の る動的条件下で，グローバル検査，およびモニタリン ニュージャージー州を結ぶベン・フランクリン橋は， グ技術として有効な AE 法は，橋梁や岩盤斜面などの デラウェア川に 1922～1926 年にかけて建設された． 土木構造物，海洋構造物，発電・送電施設，また宇宙・ 我が国で言えばちょうど東京湾に架かる，レインボー 航空構造物など，様々な社会基盤構造物において，状 ブリッジやベイブリッジの役割を果しており，交通量 態監視用 IoT を実現していくうえで，主要な役割を担 の多い極めて重要な橋である．1972 年以降，適切な維 うことが期待されている．AE 法の適用は，最新の通 持・管理（ケーブルのオイリングなど）を中断したた 信技術を基に，インターネット・イントラネットを利 め，近年になり，ケーブルを構成する鋼線ストランド 用し，構造物の状態監視と運転管理を実施するための の 10％近くが破断しているのが，目視検査により確認 ヘルスモニタリング技術として，欧米において広く実 された．こうしたケーブルの補修には多額の費用が掛 施されている． り，さらに深刻な交通障害を引き起こすなどの問題の ここでは，社会基盤構造物のヘルスモニタリング技 生ずることが予想された．このため橋を管理する港湾 術の一環として，国内外で行われている，遠隔通信／ 当局は，補修を行わず，AE 法を利用して鋼線の破断 インターネット技術（IoT）を利用した，AE 連続モニ 状況を連続監視し，橋の安全を確保することにより， タリングの適用事例について紹介する． そのまま供用し続けることを決定した． AE モニタリングを実施するために，既存のディジ 3.4.2 岩盤斜面のモデム通信による遠隔連続モニタ タルシステムを拡張し，新たに 56 チャンネルの AE リング システム（センサー ハイウェー システム）が開発さ 平成 8 年 2 月 10 日，北海道の豊浜トンネルで，体 積約 1 万 m3，重量 れた．さらに，モニタリングを開始する前に，基礎試 27,000 トンにものぼる巨大岩盤の 験として実際のケーブルを利用して AE 波の減衰特性 すべり破壊に起因した崩落事故が発生し，通過中のバ を調べ， また人工的に鋼線を破断して AE を発生させ， スと乗用車が巻き込まれ，20 名の尊い人命が失われた． それが AE センサーで検出可能かどうか調査し，使用 この事故の後，こうした岩盤崩落を未然に予知し，事 するセンサーの周波数特性やセンサー間距離を決定 故発生を防ぐ監視技術の一つとして AE 法が注目され， 全国各地のおよそ 10 箇所に余る現場で連続 AE モニ タリングが実施され，基礎データが集められた． これらの現場は，都市から離れた山間の遠隔地にあ るため，連続監視を効率よく実施し，データ採集，お よび解析を容易に行うために，モデム通信を用いた遠 隔監視用 AE システムが使用された．通常のデータ解 析には，AE 波形を信号処理した特性パラメータが用 いられるが，そのデータ容量はそれ程大きなものでは なく，電話回線を用いたモデム通信で，ほとんど問題 は生じなかった．しかしながら，検出した波形データ 写真-4 ケーブル上への AE センサーの取り付け状況 11 表示したもので，計測時間帯を変更し，また別のグラ フに任意に移動可能である． 写真-5 に，現在構造物ヘルスモニタリングの一環と して，AE 連続モニタリングを実施中の，マンハッタ ン橋が示されている．この橋は，ニューヨーク市のマ ンハッタンとニュージャージー州を結ぶために，1883 年に完成した主スパン長さ 483ｍの吊り橋である．近 年主ケーブルに，腐食に起因する深刻な問題が発見さ れ，AE 連続モニタリングが実施されることとなった． 図-11 インターネット画面上に示された AE イベント検出数 中央主スパン部に設置された，新規開発のセンサーハ した．写真-4 に，AE センサーのケーブル上への，取 イウェーシステムにより，AE，光ファイバーひずみ， り付け作業状況が示されている． 局部 PH，気温，湿度，腐食電位，そして気候変化な どのデータが採取され，インターネットを介して中央 この AE モニタリングにおける目的と概要は，以下 監視室に送られ，実時間解析・評価が行われる． の通りである． これら，現在稼動中のインターネット利用による構 ① AE 信号を検出することにより，鋼線の破断を検 造物の遠隔モニタリング サービスの特徴として，次 知し，その位置を特定・確認する． の内容が挙げられる． ② 光ファイバーネットワークの利用により，膨大な ① インターネットの利用により，AE データ，さらに 量の測定データからなる大量の情報を短時間で転 ひずみや振動データなどを遠隔操作で採集し，必 送，収録可能な遠隔監視システムを確立する． 要に応じて警報を発生する． ③ 現場で稼動可能な，完全自立型システムを開発す ② Web サイトの利用により，パスワード所有者が自 る． 由に状況を閲覧でき，AE データの現状，および警 ④ インターネット利用による，遠隔モニタリング／ 報発生の有無などを任意に知ることができる． サービス システムを開発・確立する． この計測において，遠隔インターネット モニタリン ③ 採集された元データを閲覧するだけではなく，専 グを実施することにより，パスワード所有者のみが計 門技術者により実施された AE データの解析・評 測システムへログイン可能であり，システムの状態や 価結果の確認などのサービスを，自由に選択して AE データの発生状況とその解析結果に関する情報を， 利用できる． 現在このようなインターネットを利用した AE 連続 任意の場所で知ることができる． 必用な情報は，ログイン後直ちに現れるサマリーペ モニタリングは，全米にある 10 数ヶ所の橋梁，さら ージのメインメニューから選択する．図-11 に，一例 にイギリスにある 10 ヶ所近くの橋梁において実施さ としてイベントの発生状況を示す活動度グラフが与 れている． えられている．位置標定が行えたイベント発生状況を マンハッタン橋 マンハッタン橋 ブルックリン橋 写真-5 マンハッタン橋における構造物ヘルスモニタリング 12 回るものと考えられる． このモニタリングおいて，周波数特性の異なる 3 種 の AE センサー（30kHz 共振，60kHz 共振，および 150kHz 共振）を，同一条件で計測に用いることによ り，検出される AE 信号の周波数特性を調べた．その 結果，実橋におけるモニタリングには，AE 波の伝播 減衰が比較的小さく，低周波雑音の影響を受けにくい 60kHz 共振型センサー （計測周波数帯域：30～100kHz） を使用するのが最も実用的であることが示された． 検出される AE データの大部分を占める交通雑音は， 車両の移動に伴い，AE 信号を検出するセンサーの設 写真-6 AE 連続モニタリングを実施した PC 高架橋 置位置が移動するという特徴を持つことが確認され 3.4.4 PC（プレストレスト）橋の AE 連続モニタリン た．この場合，PC 桁上を車両が通過する時間(1～2 秒 グ 3) 間)に，数 10～100 を越える AE 信号で構成される AE 我が国で，暗（交通）騒音，振動などのある供用中 信号セットが形成される．車種により検出される信号 の実橋において，PC 鋼材の破断を検出するため，数 数や振幅値は異なるが，車両通過に起因する AE 信号 カ月にわたり AE 連続モニタリングが行われた．写真 セットの特徴は保たれるため，鋼材破断による有意な -6 は，モニタリングを実施した長さ 25m の PC 高架 AE 信号との識別は容易であった． 橋である．主に 60kHz 共振型プリアンプ内蔵 AE セ 本モニタリングにより，鋼材破断に起因する AE 信 ンサーをおよそ 6m 間隔で配置し，実際の鋼線破断を 号を，交通雑音から識別し，解析・評価可能なことが 再現するため，実桁に接着した小型モデル供試体中の 証明された．例えば，横桁で区切られる一区間に対し 鋼線を，腐食により破断させ，その時発生する AE 信 て，直線位置標定を実施するには 2 個の，また平面位 号を検出した．このモニタリングでは，AE による鋼 置標定を実施するには 4 個の AE センサーを，それぞ 線破断検出数の実際の鋼線破断確認数に対する比率 れ横桁近くに桁を挟むように配置すれば，問題なく鋼 は，約 86％であった．しかしながら，実桁の破断モニ 材破断をモニタリングできる．したがって，30～35m タリングにおいては，破断が起こる PC 桁に AE セン 程度の長さを持つ PC 桁の場合，横桁により 5 個程度 サーを直接取り付けることから，検出率はこの値を上 写真-7 テムズ川に架かる PC 橋の鋼線破断モニタリングシステム 13 の区間に分割されることから，全体をモニターするに の連続計測が可能であり，AE ヒット信号とバッテリ は 10 個（直線位置標定のみ） ，あるいは 20 個（平面 ー電圧を，無線を通じてモニタリングする．合計 12 チ 位置標定も可能）のセンサーを適切に配置すればよい ャンネルの無線システムを，送電施設のスイッチヤー ことが確認された． ドに据付け，送電スイッチ，ブレーカー，および変圧 こうして得られた基礎データを基に，英国でインタ 器の部分放電や欠陥を，連続的にモニタリングしてい ーネット利用による，AE 連続モニタリングが実施さ る．実際にこのシステムを送電スイッチに取り付け， れている．英国ハイウェー庁が施主となり，写真-7 に モニターを実施している状況が，写真-8 に示されてい 示されるテムズ川に架る全長 50m（PC 桁 12 個）の る． PC 橋で実施されているもので，施工不良に起因する 鋼線破断の検知を目的としている．モニタリングは， 変位データの入力が可能な，108 チャンネル AE シス 3.4.6 無線 AE システム 無線通信によりシステムを作動させ，データを転送 テムを，全天候型計測小屋に設置して行われている． 可能な無線 AE システムは，AE センサーとホスト PC 部の距離が大きい場合や，対象となる構造物が複雑な 形状を持ち，ケーブル配線が困難な場合に AE 連続モ 3.4.5 送電施設の連続モニタリング 各国において，発電・送電・配電の効率化，省エネ ニタリングを実施する際，必須の技術である． ルギー化，そして安定化を実現するため，スマートグ 利用可能な無線方式には様々なものがあるが，デー リッドシステムの開発が行われている．こうした技術 タ転送速度，通信距離，法的規制などの諸条件を考慮 開発の一環として，送電スイッチやブレーカー，そし し，AE モニタリングが適用される現場の状況に合わ て変圧器など送電施設の主要部をなす機器の AE 連続 せ，最適な方式が採用される． 監視が，無線 AE モニタリングシステムを用いて実施 写真-9 に，最も汎用される方式の一つである無線 LAN を用いた，無線 AE センサーノード／USB ベー されている． スステーションで構成される，最新型無線 AE システ こうした装置に要求される仕様として，長時間安定 的に稼働可能なバッテリー，容易なバッテリー交換性， そして無線でのデータ転送が挙げられ，これらを満た すシステムが開発されている．耐水バッテリーケース に収納されたバッテリーにより，無交換で 3 ヶ月程度 写真-9 無線 AE センサーノード、および USB ベ ースステーションで構成される無線 LAN AE 連続 モニタリングシステム 写真-8 送電スイッチの AE 連続モニタリング 14 ムが示されている．ここで，ASL（平均信号レベル） 任意の場所で構造物の状態を確認し，安全を確保しな /RMS（実効値電圧）センサーノードでは，一定時間ご がら運転状況を管理できるようになる日は，現実のも とに ASL/RMS データを採取しベースステーション のとしてすぐ近くまで来ている． に転送するが，その他の時間帯では消費電力節約のた め，スリープモードに維持される．この装置は，採取 4． ビッグデータと AI される信号データが限定されるために，回転機器や漏 4.1 ビッグデータの解析例 洩検出専用モニタリング装置として用いられる．一方， IoT をスマート工場，スマートコンビナート，ある 無線 AE センサーノードは，低消費電力用パーツで構 いはインフラ構造物に適用する際，様々なセンサーを 成されているため，バッテリー無交換で 3 ヶ月程度の 用いるが，その中で最も周波数の高い領域を担当する 連続作動が可能であり，通常用いられる全ての AE 特 のが AE 計測である．この場合，ディジタル信号のサ 性パラメータとともに，波形信号を採取し，ベースス ンプリング周波数は 107Hz，そして分解能は 16 ビッ テーションに転送できる．したがって，汎用システム トとなるため，極めて大量のデータを採取して解析す と同等の能力を有する，遠隔モニタリングシステムと る．したがって，いわゆるビッグデータ解析が適用さ して利用される． れる． こうした無線 AE システムの必要性は，AE 連続モ 図-12 (a)～(c) に，圧力機器の加圧試験時に検出 ニタリングの適用に際し今後ますます大きくなり， された AE 信号の解析結果を示す．加圧はおよそ 1 時 様々な分野で広く利用されるものと考えられる． 間にわたって行われ，その際全部で 583,696 個のデー タセットが，原信号として検出された．このデータに 3.4.7 まとめ 対して，図-1 に示される信号特徴抽出パラメータの中 国内外における，遠隔通信／インターネットを利用 で，横軸に振幅値，また縦軸に信号継続時間をとり， した，構造物の AE 連続モニタリングの実例を紹介し 両者の相関をプロットしたものが，図-12 (a)～(c) に た．これらは，今後ますます必要性が増すと考えられ 与えられている．図-12 (a) は，試験時に検出された る構造物のヘルスモニタリングを実行していく上で， すべての原データから得られた結果である．図-12 (b) モデルとなるもので，IoT による AE 連続モニタリン は，カウント数の極めて小さい（通常は 3 カウント以 グが，既に実用段階に入ったことを示している． 下）電気雑音と，信号継続時間の長い（通常は 2ms 以 情報通信，そしてそれに関連するエレクトロニクス 上）機械的雑音を除去したデータを示したもので，こ ／ソフトウェア技術の発達には目覚しいものがある． の作業により，データセット数は 4,711 個まで減少し 携帯電話などの端末装置を利用することにより，随時， ている．さらに，図-12 (c) には，AE 計測で特徴的 15 な位置標定機能を用いて，外部から入力した機械的雑 運営する必要がある．各ロボットには，最低 2 個程度 音を除去した場合のデータをプロットしてあり，この の（AE）センサーが取り付けられ，最重要部となるア 処理により，16 個のデータセット（イベント）が有意 ーム結節部にある回転部（ベアリング部）などを連続 な信号として評価された．IoT において，極めて大量 的にモニタリングする．この場合，使用するデータサ のデータが採取される場合には，このように相関解析 ンプリング周波数は，107Hz 程度であることから，工 や，振幅分布解析，エネルギー分布解析，パターン認 場内の全ロボット数を 500 台と仮定するなら，1 秒あ 識など，ビッグデータ解析に特徴的な信号処理やデー たりに全工場内で採取されるデータセット数は，107 タ解析法が適用される． ×2×500＝1010 にまで到達する．これだけのデータセ ット数を，工場内にある基本回線に入力・転送して管 4.2 スマート工場の AI 化 理し，データ解析を行うのは，事実上不可能に近い． 図-13 に，スマート工場における機器構成の一例を したがって，センサーで発生する信号は，センサー近 示す．こうしたスマート工場には，数 100 台にも上る くに設置された AI 機能を持つ信号処理・AI ローカル 様々なロボットが設置され，それらを統一的に管理， プロセッサに入力し， 初期信号処理と AI 解析を行い， 16 図-13 スマート工場における機器の構成 無線により主回線を通してサーバ／クラウドに入力 こうした工場では，工場自体が AI 機能を持つ超大型 するシステムとなっている． ロボットとみなされ，企業全体の運営・管理を制御す 図-14 に，IoT による「ものの管理」と，企業・工場 る AI と有機的に統合することで，企業経営の中で主 の「経営・運営管理」を統合して一体化し，最大限効 要システムの一部を構成し，最高の効能が得られるよ 率を高めたスマート工場の概念図が示されている． うに設計されている． IoT で取得した「ものの情報」を制御系ネットワーク に取り込み，経営・運営層に関連する情報系ネットワ 4.3 化学プラントにおけるデータマネジメントシス ークと結び付け，工場の運営・管理を企業経営の一部 テム として全体統合する状況が，模式的に与えられている． 化学プラントを安全，かつ効率的に操業するために， 図-14 スマート工場における IoT による AI 化 17 温度，圧力，ひずみ，応力，振動，流量，電力使用量， 題になりつつある．したがって，省人化が急速に進む 漏えい，腐食，音響，AE などのセンサーが各所に設 中で，プラントの状態を正確に把握・管理し，安全を 置され，オフライン，あるいはオンライのデータ採取・ 担保可能な IoT の適用が，喫緊の課題となっている． 解析が行われている．これまで，我が国のプラントで プラントにおいて IoT を進めるには，様々なセンサー は，多くの経験を持ち，プラントの状況を知り尽くし で採取されるデータを，正確に管理し，正しく解析す た優秀な技術員が管理に当たり，人手を比較的多くか るために，膨大なデータ量で構成されるデータベース けることにより，極めて緻密で精度の高いメンテナン が必要である．さらに，それを最大限効率的に処理・ スを実施して安全性を確保し，稼働率を上げる作業が 解析可能な AI 機能が要求される． 一般的であった．しかしながら，少子高齢化が急速に 化学プラントにおける各種センサーなどのデータ 進む中で，技術員の中核をなした団塊の世代が退職年 ベース化は，1980 年代半ばより，アメリカで精力的に 齢を過ぎ，十分な経験を積んだ技術員不足が大きな問 行われてきた．図-15 にその概念図が示されている． 18 プラントの設計情報，UT（超音波試験）などによる非 IoT，ビッグデータ，AI 技術の開発，応用を行ってい 破壊検査結果，目視検査結果，腐食状況などの様々な くうえで，筆者が個人的に考える，日本のハイコンテ 基本データを，PCMS（Plant Condition Management クスト社会に基づく優位性と，課題を列挙してみる． System）と呼ばれるソフトウェアに入力してデータ （1） ベース化し，毎年繰り返される同様の作業で採取され 現場主義，緻密性，進取性，先進性，好奇心，潔癖主 るデータをさらに積み重ねて，データベースを継続的 義，完全主義，職人気質，豊かな感性と勘，オタク精 に充実させる．この作業を何十年も実施することによ 神，和の心（チームワーク） ，おもてなしの心，教育重 り，対象となるプラント自身が持つ特徴が明らかにな 視の精神 り，より安全で効率の高い操業が可能となる．さらに， 優位性： 日本の持つ優れた特徴は，上述した言葉に象徴され AI 機能を取り入れるために，プラント内にある装置の る，真摯な探究心と協調心に裏付けされた完璧なモノ 資産としてのデータ，検査計画，検査履歴をソフトウ づくり，そしてサービスの精神である．日本人の持つ ェア内に組み入れる．そして，図-16 に示されるよう 職人気質は，どの国にも見られない緻密で美しいモノ に，IoT を基本に，オンライン，オフラインで得られ を造り続けている．また， 「おもてなしの心」に代表さ たプラントの現状を表すセンサーデータ，資産として れる，和の精神は，日本の持つ美徳であり，今後経済 の価値，検査履歴などを評価用データとして活用して， 的に極めて重要性の増すインバウンドビジネスを発 プラント全体の操業マネジメントを実行する．アメリ 展させていくうえで，世界からの旅行者を引き寄せる カで開発された PCMS システムは，データベース，及 ための貴重な資源である． び AI 機能を付加した形で，既に世界各地に存在する （2） 数百以上のプラントで適用されている． 課題： ① 少子高齢化 ② 合理性の欠如：非合理的精神主義の蔓延，客 5． 日本の優位性と課題 観性の欠如，データベースの軽視（資産とし 日本には，長い伝統と高い技術力に裏打ちされた数 て正当な評価の欠如） ，エビデンス軽視，経験 多くのソフト／ハードウェア コンテンツが存在する． 主義，実績主義，技術優位主義，ソフトウェ これらは，戦略さえ正しければ，世界市場に打って出 ア軽視 ても十分な競争力を持ち，世界中の人々から求められ， ③ マネジメントシステムの軽視：組織の硬直性， 愛される価値を発揮できるものである．残念ながら， 形式的権威主義（形式的権威の尊重） ，視野狭 これまで日本では，工業国として欧米に追い付き，発 窄（専門主義，たこつぼ主義） ，標準化の軽視 展していくために必要な既存産業に対する戦略のみ （ISO など一般化・標準化の遅れ） ，戦略性 を重んじる傾向が強く，新しく付加価値を発見・創生 の欠如，ネットワーク化の遅れ，自前・身内 したとしても，それを尊重することが少なく，具体的 主義，フルライン主義 な物品ではなくソフトウェア製品に重きを置く産業 ④ 舶来信仰（自己否定，欧米への妄信，自己・ の育成や振興に，あまり努力を払って来なかった．そ 他者評価力の欠如） れが，21 世紀の初頭に表出した日本産業全体の沈滞感， ⑤ 個人主義の欠如 出遅れ感を生んだ一つの原因とも思われる．こうした ⑥ 教育軽視：情勢変化への機敏な対応の欠如 状況の中で，IoT，ビッグデータ，AI 技術の開発，応 ⑦ 情緒的・感情的 用に関するグローバルな大競争が起こっている．そこ ⑧ 異端の排除 で，日本の立ち位置と，今後の戦略的方向性を考える 「データベースの軽視，実績主義，技術優位主義，ソ ために，日本が持つ優位性と課題について，簡単な考 フトウェア軽視」などで代表される合理性の欠如，そ 察を試みる． して「標準化の軽視，戦略性の欠如，ネットワーク化 日本は，近代科学技術のほとんどを，欧米先進国と の遅れ，自前・身内主義」などマネジメントシステム 共有する先進工業国である．それにもかかわらず，文 の軽視は，IoT，ビッグデータ，AI などの新しい革新 化や社会的制度は，欧米諸国と異なる，極めてハイコ 的技術を開発，実用化していくうえで，大きな障害と ンテクストな日本的特徴を持つ国・地域である．以下， なり得る．かつて，携帯電話でメールを送るという革 19 新的技術（i モード）を生み出したにもかかわらず，そ 知識を持つだけでは全く不十分で，プログラミングな の後の展開を誤ったため，携帯電話ビジネスの世界で， ど IT に関連して有効な科学技術的知識や素養を持ち， 日本市場のみが完全に孤立（ガラパゴス）化してしま 優れたマネジメント能力を有する文理融合型人材で い，日本製電話機の世界市場における存在感が，全く ある．このことを理解しない限り，無益な論争に時間 消失してしまったのは，つい最近の出来事である． を費やすばかりで，実質的な解決策を導き出すことは 現在注目を浴びる IoT，ビッグデータ，AI 技術にお 困難になる． いても，一歩対応を誤るなら，全く同様の結果を生み 日本は，エネルギー資源など，天然資源をほとんど かねない状況にあることを，肝に銘じておくべきであ 産出しない無資源国である．産業を発展させるための る．先進国，新興国が入り混じり大競争が展開される 資源と言えるものは，優れた人材しかないと言っても グローバル市場において，20 世紀型の製造業が生き残 過言ではない．適切な教育で育つ人材が，IoT，ビッグ れる機会はほとんどないと言ってよいであろう．21 世 データ，そして AI を基礎とする 21 世紀型産業を支え 紀に繁栄し，成長を続けられるのは，かつての製造業 る最大の力となることを忘れてはならない． とサービス業，そして合理的なマネジメントを融合さ せた製造／サービス業であることを忘れてはならな 6． おわりに い． スマート工場，スマートコンビナート，社会基盤構 造物における IoT，ビッグデータ，AI 適用の現状につ 明治の開国以来，日本人の心に深く植え付けられた 舶来信仰は，日本発の革新的技術を世界標準化するう いてまとめてみた． えで，大きな障害となっている．現在ドイツ発とされ 現在，自動車工場，部品工場，ロボット製作工場， る Industry 4.0 が大きな注目を浴び，日本において官 半導体製造工場などで，高周波（10MHz）で信号採取 民を問わず，その内容の消化・吸収に躍起である．し を行う AE 法を用いた，工場のスマート（IoT）化が急 かし，本稿で述べているように，類似，あるいはより 速に進行している．この概念は，十数年前に日本の企 進歩した概念（スマート工場）は，十数年前から日本 業で提示されたものであるが，その後注目を浴びるこ の企業で提示されていた．また，英国で実用化された となく，現在欧米諸国が主導する（例えばドイツの インフラ構造物（プレストレストコンクリート橋）の Industry 4.0）形で，日本への再導入が図られようと 連続モニタリングで基礎となった技術は，日本で研究 している．工場のスマート化は，単なる IoT 化で完結 開発され，英国の専門誌に掲載された理論と技法に基 するものではなく，採取されるビッグデータの解析・ づいている．このように，日本生まれで世界標準にも 評価，さらにすべての手順を自動化するための AI 化 なり得る革新的技術やアイデアの芽が，かつてそして を同時進行的に開発して初めて成立するものである． 現在でも多く存在する．それにもかかわらず，こうし この分野のグローバル競争は，つい最近始まったと言 た機会を活かせず，舶来の技術や概念を尊重するばか ってよい状況にある．今後の対応と展開さえ誤らなけ りで，自己のオリジナル性を認めようとしない日本の れば，21 世紀型製造／サービス業の分野で日本が主導 後進性は，製造業の在り方を一変させる力を持つ IoT， 的役割を果たし，経済全体の活性化と成長を促す起爆 ビッグデータ，AI の適用において，後追いにより 2 重 剤の一つになる可能性を秘めている． 投資を生みかねず，非常に投資効率の悪い状況を起こ 化学プラントのメンテナンスにおいて，状態を把握 す危険性をはらんでいる． するために，様々なセンサーで採取されるビッグデー 日本は，教育を重んじる国である．1980 年代前後， タが，解析・評価される．こうしたデータで構成され 大学の技術者（工学）教育に大きな問題を抱えていた るデータベースが，1980 年代半ばより欧米で構築さ フランスや，初等，および中等教育の改革を迫られた れ，安全性を十分に確保しながら効率的なプラント操 イギリス，アメリカは，日本の教育制度を参考にして， 業を行うための OS（オペレーティングシステム）と 自国制度の刷新を図った．今日，日本の教育制度が揺 して活用されている．現在，センサーで採取されるデ れている．2015 年に起こった，文系・理系騒動はその ータの IoT 化が急速に進みつつあり，さらにプラント 典型的なものである．21 世紀型製造／サービス業にお の状態マネジメントシステムと，企業の経営システム いて必要とされるのは，単に理系あるいは文系のみの を統合し AI 化することにより，最も安全性が高く効 20 率的な操業を目指す試みが進行中である．こうしたプ 欠如（非合理的精神主義の蔓延，客観性の欠如，デー ラント管理・操業に関するマネジメントシステムは， タベースの軽視，実績主義，技術優位主義，ソフトウ 世界各地の数百を超えるプラントで適用されており， ェア軽視）やマネジメントシステムの軽視（視野狭窄 日々採取されるビッグデータを逐次データベースに （専門主義，たこつぼ主義） ，標準化の軽視（ISO など 組み入れることで，システム全体の信頼性を高める作 一般化・標準化の遅れ） ，戦略性の欠如，ネットワーク 業が続いている． 化の遅れ，自前・身内主義） ，そして舶来信仰（欧米へ 社会基盤（橋梁などのインフラ）構造物の加齢化が， の妄信，自己・他者評価力の欠如）などは，IoT 化を 世界の先進国で大きな問題となっている．日本でも， 進め，ビッグデータの解析・評価方法を開発し，それ 数年前にトンネル内の天井板が落下する事故が発生 らを統合したデータと評価に基づく AI 化を進めてい し，人々の生活基盤を支える構造物の加齢・劣化の問 くうえで，様々な障害を発生させる危険性がある．こ 題が，大きな注目を集めた．これを契機に，インフラ れらの最新技術を速やかに導入・発展させて活用し， 構造物の安全性確保のために劣化評価・モニタリング グローバルな大競争に勝ち残るには，こうした日本的 技術の開発が，焦眉の急となっている．既に欧米にお コンテクストが持つ特性を十分に知り，課題を解決可 いて，こうした構造物のモニタリング方法として，IoT 能なシステムを予め準備・構築しておく必要があると が広く適用されている．例えば，アメリカにおいて加 考えられる． 齢化した大型吊り橋の AE 法による連続モニタリング が，2,000 年代初頭から実施され，現時点でアメリカ， 参考文献 イギリスの 20 を超える吊り橋がモニターされている． [1] 西本重人， 湯山茂徳：AE 法の製品検査への応用， また，PC（プレストレスト）コンクリート橋に関して 非破壊検査，Vol. 57 (10)，pp. 474-477， （2008） は，日本で開発された基礎技術を基に，イギリスで数 [2] 湯山茂徳：社会基盤構造物の AE 連続モニタリン 年以上前にモニタリングが始まり，現在も継続してい グ，非破壊検査，Vo. 60（No. 3） ，pp. 165-171， （2011） る．このほかに，電力輸送に関するスマートグリッド [3] S. Yuyama, K. Yokoyama, K. Niitani, M. Ohtsu and T. や原子力発電所，海洋構造物，風力発電施設において Uomoto: Detection and Evaluation of Failures in High- IoT が適用され，安全性の確保と運転状況のモニタリ strength Tendon of Prestressed Concrete Bridges by Acoustic ングが実施されている．近い将来，日本においても， Emission, Construction and Building Materials, Vol. 21, pp. こうした構造物のモニタリングに関して，IoT が重要 491-500, (2007). な役割を果たすようになると考えられる． [4] 湯山茂徳：アコースティックエミッション（AE） 日本は，欧米と異なり，極めてハイコンテクストな に関する最近の面白い話題，実構造物の腐食損傷評価， 文化で構成された社会である．そこで培われた緻密性， 検査技術，第 2 巻，第 6 号，日本工業出版，pp. 58-63， 進取性，先進性，潔癖主義，完全主義，職人気質，豊 1997 年 5 月 かな感性と勘，和の心（チームワーク） ，おもてなしの [5] 湯山茂徳：第 8 章 リスク評価，実践 インフラ資 心などは，今後経済的に重要度の増すインバウンドビ 産のアセットマネジメントの方法，小林潔司，田村敬 ジネスを発展させていくうえで，世界からの旅行者を 一編著，理工図書株式会社，2015 年 11 月 30 日発行 引き付けるための貴重な資源になると考えられる． しかしながら，日本社会が特徴的に持つ，合理性の CURRENT STATUS OF IoT, BIG DATA, AND AI APPLICATIONS IN SMART FACTORIES, SMART COMPLEXES, AND INFRASTURCTURES Shigenori YUYAMA Terms “IoT (Internet of Things), big data, and AI (Artificial Intelligence)” have drawn great attention in industry and business. IoT has been applied to process monitoring in factories of a 21 Japanese auto-parts manufacturer since early 2,000, proposing a concept of smart factory. However, its activity has been limited to small areas in Japan for the last decade. Instead, a term “Industry 4.0” has been introduced and become quite general in Japan recently, related to a new industrial evolution with regard to IT applications in manufacturing. Although the term “big data” is seldom used in science and technology, it has become very common in economics, finance, accounting and management in dealing with a large quantity of data for statistical analysis to mine quantitative and meaningful information in the data acquired from transactions. IoT has been widely used for condition monitoring of machine systems and infrastructures as bridges, chemical plants, power distribution systems, offshore structures, nuclear power plants, wind power systems and so forth, producing big data acquired by different types of sensors. Data analysis based on such methods as feature extraction, pattern recognition, neural network, and multivariate calculus are widely applied to the big data. AI is an essential technology to integrate IoT and big data in order to automatically lead to effective and meaningful solutions, covering the whole technologies. This paper reviews the current status of IoT, big data, and AI applications in smart factories, complexes and infrastructures in Japan and other countries. 22